基于XML的web數(shù)據(jù)抽取研究.pdf_第1頁
已閱讀1頁,還剩65頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著Intemet的快速發(fā)展,Web網(wǎng)頁的數(shù)量也不斷增加,盡管從網(wǎng)上可以查找到幾乎所有知識領(lǐng)域的相關(guān)資料,但是對數(shù)據(jù)的操作和控制卻不盡人意。為了更加有效地利用網(wǎng)絡(luò)資源,從中獲取有用的數(shù)據(jù)資料,研究人員開創(chuàng)了web數(shù)據(jù)抽取這一領(lǐng)域。利用數(shù)據(jù)抽取技術(shù),對網(wǎng)頁的結(jié)構(gòu)和數(shù)據(jù)特征進行分析,可以抽取出網(wǎng)頁中用戶感興趣的數(shù)據(jù),以結(jié)構(gòu)化的形式進行集成和保存,以供XML查詢語言或者SQL語言查詢,或者供其它的應(yīng)用程序使用。Wrapper是從網(wǎng)頁中抽取數(shù)據(jù)

2、的程序,構(gòu)造準(zhǔn)確、健壯和通用的Wrapper可以使網(wǎng)頁免受結(jié)構(gòu)變化的影響,且減少人為參與,但是現(xiàn)有的各種Wrapper有著不同的局限性,在精度、健壯性和通用性方面難以達到很高的要求。本文利用標(biāo)準(zhǔn)的XML技術(shù)來解決數(shù)據(jù)抽取問題,提出一種基于XML技術(shù)的web數(shù)據(jù)抽取方法。 作者的主要工作如下: (1)XML技術(shù)的發(fā)展使得基于XML的web數(shù)據(jù)抽取方法成為web數(shù)據(jù)抽取的趨勢,本文對三種web數(shù)據(jù)抽取方法進行了分析和比較。

3、 (2)在詳細分析和比較數(shù)據(jù)抽取技術(shù)中三種常用的信息定位方法的基礎(chǔ)上,應(yīng)用XPath和XQuery技術(shù)在數(shù)據(jù)轉(zhuǎn)換和定位方面的優(yōu)勢,提出了基于樹的絕對路徑和屬性相結(jié)合的信息定位方法APTA(Absolute Path of Tree &Attribution),綜合了基于樹的絕對路徑的信息定位方法和基于屬性的信息定位方法的優(yōu)點,實現(xiàn)了對信息更加準(zhǔn)確的定位。 (3)利用HTML Tidy工具對待抽取頁面進行清洗,將web數(shù)據(jù)抽

4、取過程以及改進的定位方式放在XML語言編寫的配置文件里定義,根據(jù)配置文檔中自定義的元素和結(jié)構(gòu)編程實現(xiàn)基于XML的web數(shù)據(jù)抽取。 (4)根據(jù)Shared Inlining模型將XML數(shù)據(jù)型的抽取結(jié)果轉(zhuǎn)換為關(guān)系表型數(shù)據(jù),使得可以利用關(guān)系數(shù)據(jù)庫已有的理論基礎(chǔ)和應(yīng)用平臺最大限度地實現(xiàn)對web信息的再利用。 (5)雖然本文的基于XML的web數(shù)據(jù)抽取方法的F值還未達到理想值,但與三種基本的信息定位方法的web數(shù)據(jù)抽取方法相比較,

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論